IA et énergie : les data centers peuvent-ils déclencher une crise mondiale ?

L’intelligence artificielle est souvent présentée comme un logiciel, presque immatériel. Pourtant, chaque réponse générée, chaque image créée et chaque modèle entraîné repose sur des milliers de serveurs, de puces spécialisées, de réseaux et de systèmes de refroidissement. À mesure que les usages se diffusent, cette infrastructure devient un sujet énergétique de premier plan.

La question n’est donc pas seulement de savoir si l’IA consomme beaucoup d’électricité. Il faut aussi se demander où, quand et avec quelle source d’énergie cette électricité est produite, quelle quantité d’eau est mobilisée pour refroidir les équipements, et ce qu’il advient du matériel remplacé à grande vitesse. En mai 2025, le scénario d’une crise énergétique mondiale provoquée par l’IA n’est pas inéluctable. En revanche, la concentration des centres de données peut déjà créer des tensions très concrètes sur certains réseaux électriques et certaines ressources locales.

Une demande électrique qui change d’échelle

Les systèmes d’IA demandent de la puissance informatique à deux moments distincts. Le premier est l’entraînement : pendant des semaines ou des mois, des grappes de processeurs exécutent des calculs afin d’ajuster les paramètres d’un modèle. Le second est l’inférence, c’est-à-dire l’utilisation quotidienne du modèle par le public et les entreprises. Cette dernière phase est moins visible, mais elle peut devenir massive lorsqu’un service compte des millions d’utilisateurs.

Les chiffres disponibles soulignent l’ampleur du phénomène. En 2024, la demande mondiale d’électricité a augmenté de 4,3 %. L’expansion de l’IA et des centres de données figure parmi les facteurs qui bouleversent les prévisions traditionnelles de consommation. Certaines estimations reprises dans le débat évaluent à près de 460 TWh, soit environ 2 % de la consommation électrique mondiale, les besoins des modèles d’IA et des infrastructures qui leur sont associées.

Ces grandeurs doivent être lues avec prudence. Les périmètres varient selon que l’on compte uniquement les serveurs dédiés à l’IA, l’ensemble d’un centre de données, le stockage, les réseaux ou encore le refroidissement. Une capacité de 10 GW désigne une puissance instantanée possible, tandis qu’un TWh mesure une quantité d’électricité consommée sur une durée. Les deux unités éclairent le problème, mais ne répondent pas à la même question.

Le risque le plus immédiat est aussi géographique. Un pays peut disposer globalement de suffisamment d’électricité, tout en ayant des difficultés à raccorder plusieurs grands centres de données au même endroit. Il faut alors construire ou renforcer des lignes électriques, des postes de transformation et des capacités de production pilotables. Ces travaux prennent généralement plus de temps que le déploiement de serveurs.

Pourquoi les modèles d’IA sont-ils si énergivores ?

La consommation ne vient pas d’un unique calcul spectaculaire. Elle résulte d’une chaîne complète. Les puces spécialisées effectuent des milliards d’opérations, les serveurs échangent des données en permanence, les équipements de stockage restent disponibles, et les systèmes de ventilation ou de refroidissement évacuent la chaleur dégagée.

Les grands modèles de langage et les générateurs d’images sont particulièrement concernés parce qu’ils reposent sur de vastes réseaux de neurones. Leur entraînement exige de traiter d’immenses jeux de données et de répéter les calculs. Ensuite, chaque requête d’un utilisateur sollicite à nouveau des ressources, même si l’effort est inférieur à celui de l’entraînement initial.

L’empreinte dépend cependant de plusieurs paramètres :

• la taille du modèle et le nombre de requêtes qu’il reçoit ;
• le type et l’efficacité des puces employées ;
• le taux d’utilisation des serveurs, qui ne fonctionnent pas toujours à pleine capacité ;
• le climat local et la méthode de refroidissement ;
• le mix électrique du pays ou de la région où se trouve le centre de données.

Cette dernière variable est essentielle. Un même calcul peut avoir une empreinte carbone très différente selon qu’il est alimenté par une électricité majoritairement fossile, renouvelable ou nucléaire. Réduire les émissions ne revient donc pas simplement à acheter davantage de matériel performant : il faut également agir sur le moment et le lieu de la consommation.

L’eau, l’autre ressource sous pression

L’électricité n’est qu’une partie de l’équation. Les centres de données génèrent beaucoup de chaleur et doivent maintenir leurs serveurs dans une plage de température sûre. Selon les estimations citées, chaque kilowatt-heure consommé nécessiterait environ 1,7 litre d’eau pour le refroidissement.

Cette donnée permet de comprendre l’ordre de grandeur, mais elle ne signifie pas que tous les sites ont la même consommation. Certains utilisent des circuits fermés, de l’air extérieur lorsque le climat le permet, ou de l’eau recyclée. D’autres dépendent davantage d’eau douce. La distinction est importante dans les territoires soumis au stress hydrique : prélever de l’eau, la consommer puis la rejeter n’ont pas les mêmes effets sur un bassin local.

En 2022, les centres de données de Google ont consommé près de 5 milliards de gallons d’eau, un volume qui illustre l’importance de l’enjeu pour les grands opérateurs numériques. Cette consommation ne correspond pas aux seuls usages d’IA : elle reflète l’activité plus large des infrastructures de l’entreprise. Elle montre néanmoins que l’accélération des services numériques et de l’IA doit être examinée aussi sous l’angle hydrique.

Les projections les plus alarmantes estiment que les infrastructures d’IA pourraient, à terme, absorber jusqu’à six fois plus d’eau que la consommation totale du Danemark. L’incertitude est forte, car elle dépend du rythme d’adoption de l’IA, de la localisation des sites et des technologies de refroidissement. Mais le message est clair : installer un centre de données dans une région déjà en tension sur l’eau ne peut pas être une décision purement numérique ou économique.

Puces, minerais et déchets électroniques : l’empreinte matérielle oubliée

Parler de l’IA uniquement en kilowatt-heures ferait oublier son socle physique. Les serveurs vieillissent, les puces sont renouvelées pour gagner en puissance ou en efficacité, et les équipements de réseau doivent suivre la montée en charge. Cette cadence alimente la question des déchets électroniques, ou e-waste.

Les projections citées envisagent que les centres de données dédiés à l’IA puissent générer jusqu’à 5 millions de tonnes de déchets électroniques d’ici 2030. Ces déchets ne sont pas tous équivalents. Certains composants peuvent être réemployés, remis à niveau ou recyclés. D’autres contiennent des métaux et matériaux complexes à récupérer, ce qui rend le traitement plus difficile et coûteux.

La fabrication des puces a, elle aussi, une empreinte élevée. Produire une seule puce d’IA engagerait plus de 1 400 litres d’eau et 3 000 kWh d’électricité selon les chiffres avancés. Ces ordres de grandeur varient nécessairement avec la technologie de gravure, l’usine de fabrication et le type de puce. Ils rappellent cependant une réalité souvent sous-estimée : l’impact environnemental intervient bien avant l’allumage d’un serveur.

Une politique crédible doit donc couvrir tout le cycle de vie : extraction des minerais, fabrication, transport, usage, réemploi et recyclage. Allonger la durée de vie des équipements lorsqu’ils restent adaptés, concevoir des serveurs démontables et organiser la récupération des matériaux sont des leviers complémentaires à l’efficacité énergétique.

Les réponses envisagées, entre renouvelables et nucléaire

Face à des besoins continus, les entreprises technologiques et les énergéticiens explorent plusieurs voies. Les énergies renouvelables, notamment le solaire et l’éolien, sont indispensables pour augmenter la production d’électricité bas carbone. Aux États-Unis, leur part dans la production électrique pourrait passer de 23 % en 2024 à 27 % d’ici 2026 selon les prévisions citées.

Le défi est que la production solaire et éolienne varie selon l’heure, la saison et la météo, tandis qu’un centre de données doit fonctionner sans interruption. Le stockage, les réseaux interconnectés, l’effacement de certains usages et les sources pilotables doivent donc compléter les renouvelables.

Microsoft prévoit ainsi d’acquérir 10,5 GW d’énergie renouvelable entre 2026 et 2030 pour alimenter ses centres de données. Amazon et Google s’intéressent de leur côté au nucléaire, notamment aux petits réacteurs modulaires, souvent désignés par l’acronyme anglais SMR. Ces réacteurs sont envisagés comme une source d’électricité continue et décarbonée, capable de répondre à des besoins importants.

Le nucléaire n’est toutefois pas une solution instantanée. Les projets nécessitent des autorisations, des investissements considérables, des compétences industrielles et du temps. Les SMR restent en outre une technologie dont le déploiement commercial à grande échelle doit encore être démontré. Les renouvelables, de leur côté, exigent des réseaux et des solutions de flexibilité adaptés. Il n’existe pas de réponse unique : les choix dépendront des pays, de leur réseau, de leur climat et de leur parc de production existant.

Rendre l’IA elle-même plus sobre

L’offre d’énergie ne suffit pas. Les concepteurs de modèles peuvent aussi réduire la demande. La quantification consiste, par exemple, à représenter certains calculs avec moins de précision numérique, ce qui allège les besoins en mémoire et en opérations. La distillation des connaissances vise à transférer une partie des capacités d’un grand modèle vers un modèle plus compact.

Ces méthodes ne font pas disparaître les compromis. Un modèle plus petit peut être moins performant sur certaines tâches ou nécessiter davantage de travail de conception. Mais elles permettent d’éviter de mobiliser un modèle géant lorsque la demande est simple, comme résumer un court document, classer un message ou exécuter une tâche bien définie.

Les centres de données disposent également de marges de manœuvre : répartir les calculs dans le temps, déplacer certaines tâches vers des régions où l’électricité est plus abondante, ajuster la climatisation et utiliser mieux les serveurs déjà installés. L’IA peut précisément aider à piloter ces systèmes complexes, en prévoyant les pics de charge et en optimisant la répartition des ressources.

L’exécution locale, directement sur un ordinateur ou un téléphone, est parfois avancée comme une alternative au cloud. Elle peut limiter les transferts de données et réduire la sollicitation de serveurs distants. Mais elle déplace aussi une partie du calcul vers des appareils individuels. Son bilan dépend donc de l’efficacité des puces embarquées, de la fréquence d’usage et du renouvellement du matériel.

Mesurer, publier et réguler l’empreinte réelle

La première difficulté réglementaire est la mesure. Sans indicateurs cohérents, il est difficile de comparer deux modèles, deux centres de données ou deux stratégies énergétiques. Les pouvoirs publics et les entreprises ont intérêt à mieux documenter la consommation d’électricité, l’usage de l’eau, les émissions liées au matériel et la part d’énergie bas carbone réellement utilisée.

Des standards de transparence environnementale appliqués à l’IA constitueraient un premier levier. Ils pourraient imposer ou encourager la publication d’indicateurs comparables, sans révéler nécessairement les secrets industriels. Les politiques de commande publique, les règles d’urbanisme et les normes de recyclage peuvent également orienter les investissements vers des infrastructures moins gourmandes en ressources.

L’idée de systèmes d’échanges de crédits d’énergie est aussi évoquée pour encourager les comportements les plus sobres. Un tel mécanisme ne serait utile que s’il repose sur des données robustes et vérifiables. Sinon, il risquerait de transformer un problème physique, la disponibilité réelle de l’électricité et de l’eau, en simple exercice comptable.

Ce qu’il faut surveiller

En mai 2025, l’essor de l’IA ne signe pas l’arrivée certaine d’une crise énergétique mondiale. Il rend en revanche les choix énergétiques beaucoup plus urgents. L’enjeu est double : éviter que de nouveaux centres de données prolongent la dépendance aux énergies fossiles, et empêcher qu’ils aggravent les tensions locales sur les réseaux et l’eau.

Il faudra suivre la vitesse de construction des centres de données, leur localisation, l’évolution de la performance énergétique des puces et des modèles, ainsi que la capacité des réseaux à accueillir de nouvelles charges. Les annonces d’achat d’électricité renouvelable et les projets nucléaires compteront, mais le critère décisif sera leur traduction concrète dans les infrastructures.

La trajectoire n’est donc pas écrite. Une IA plus utile et plus largement déployée peut s’accompagner d’une hausse forte de la consommation. Elle peut aussi participer à optimiser les réseaux, les bâtiments et l’industrie. La condition est de ne pas traiter son empreinte comme une conséquence secondaire : l’énergie, l’eau et le matériel doivent devenir des paramètres de conception au même titre que la vitesse, le coût et la qualité des modèles.